本發(fā)明屬于陣列信號(hào)處理領(lǐng)域，具體涉及一種量子狐貍機(jī)制的分布陣列結(jié)構(gòu)優(yōu)化方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在陣列信號(hào)處理中，分布式陣列作為一個(gè)重要分支取得廣泛應(yīng)用，如高速傳輸、信號(hào)參數(shù)估計(jì)和波達(dá)方向估計(jì)等。與單一傳感器相比，分布式傳感器陣列能夠覆蓋更廣泛的區(qū)域，通過整合多個(gè)傳感器的測(cè)量結(jié)果，可以有效避免單一傳感器可能存在的誤差，并且適用于更多特定的應(yīng)用場(chǎng)景來提高系統(tǒng)的選擇性和可靠性。然而目前的分布式陣列系統(tǒng)對(duì)于子陣的位置排布往往依賴于工程經(jīng)驗(yàn)，如等間距排布或均勻排布，不同的陣列排布方式會(huì)影響分布式陣列的測(cè)向精度和性能，且對(duì)于不同的應(yīng)用場(chǎng)景往往需要根據(jù)經(jīng)驗(yàn)反復(fù)調(diào)整陣元間距才能得到更好的測(cè)向效果，尤其是在小塊拍場(chǎng)景下，傳統(tǒng)的子陣列位置排布方式可能會(huì)使得分布陣性能惡化甚至失效。因此，研究并設(shè)計(jì)一種針對(duì)沖擊噪聲環(huán)境、小采樣快拍數(shù)下的高性能分布式陣列布局結(jié)構(gòu)具有重要意義和價(jià)值。

2、通過對(duì)現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)li?j,zhang?q,dengw,等人在《ieee?internetofthings?journal》上發(fā)表“source?direction?finding?and?direct?localizationexploiting?uavarray?with?unknown?gain-phase?errors”上提出利用無人機(jī)陣列進(jìn)行源測(cè)向和直接定位的算法，通過構(gòu)建成本函數(shù)并獲得譜函數(shù)，利用網(wǎng)格搜索可以估計(jì)源的方向和位置并可以連續(xù)求解增益相位誤差值。其實(shí)驗(yàn)環(huán)境是在高斯噪聲環(huán)境下，對(duì)于惡劣條件下的測(cè)向性能是否良好仍有待研究。王旭等人在《電子與信息學(xué)報(bào)》上發(fā)表“利用雙載頻方向圖相乘的稀疏均勻陣柵瓣抑制方法”上針對(duì)載頻陣列方向圖中主瓣與柵瓣相對(duì)位置存在差異的特性，提出了一種創(chuàng)新的柵瓣抑制算法。該算法對(duì)影響柵瓣抑制性能的關(guān)鍵參數(shù)進(jìn)行了定量分析，并推導(dǎo)出了柵瓣抑制后峰值旁瓣比與頻率差之間的數(shù)學(xué)關(guān)系。通過有效利用不同載頻下的回波信息，該算法避免了大規(guī)模的搜索過程，顯著降低了計(jì)算量。但其目標(biāo)主要在于優(yōu)化旁瓣電平，對(duì)于實(shí)際的測(cè)向性能的優(yōu)化還有待于進(jìn)一步研究。chen?m,maox等人在《iet?radar,sonar&navigation》上發(fā)表“direction?of?arrival?estimation?ofunknown?emitter?by?deepneural?networks?with?array?imperfections”上提出一個(gè)具有可行計(jì)算復(fù)雜度的doa估計(jì)深度神經(jīng)網(wǎng)絡(luò)框架。兩階段算法由一個(gè)檢測(cè)網(wǎng)絡(luò)和一系列并行的doa估計(jì)網(wǎng)絡(luò)組成，其在不簡(jiǎn)化互耦矩陣的情況下，對(duì)于提高互耦doa估計(jì)精度的潛在有用性，但該方法在大塊拍時(shí)可以取得較高的精度，在小塊拍采樣數(shù)時(shí)性能出現(xiàn)惡化，難以達(dá)到預(yù)期效果。zhang?yd,chowdhury?mw等人在《signal?processing》上發(fā)表的“direction-of-arrival?estimation?in?closely?distributed?array?exploitingmixed-precision?covariance?matrices”利用多個(gè)緊密間隔的子陣列來最大限度地發(fā)揮分布式陣列的潛力，同時(shí)最小化子陣列和處理中心之間的通信開銷，將其與全精度子陣列自協(xié)方差矩陣相結(jié)合，以創(chuàng)建整個(gè)陣列的混合精度協(xié)方差矩陣。但該方法提出的分布式陣列結(jié)構(gòu)固定，對(duì)于應(yīng)對(duì)特定環(huán)境時(shí)有較高的估計(jì)精度，但對(duì)于小塊拍環(huán)境等惡劣環(huán)境下的波達(dá)方向估計(jì)結(jié)果有待于進(jìn)一步研究。

3、已有的文獻(xiàn)檢索結(jié)果表明，現(xiàn)有的分布式陣列優(yōu)化方法，主要以優(yōu)化旁瓣電平和子陣列的協(xié)方差矩陣為主，對(duì)于高斯噪聲環(huán)境下大采樣塊拍數(shù)的估計(jì)性能與精度提升較大，但是對(duì)于小采樣快拍數(shù)環(huán)境下進(jìn)行估計(jì)時(shí)性能出現(xiàn)惡化，且缺乏對(duì)于沖擊噪聲等惡劣環(huán)境下的性能研究。因此本方法直接著眼于分布式陣列在沖擊噪聲、小采樣塊拍環(huán)境下的波達(dá)方向估計(jì)性能，通過無窮范數(shù)加權(quán)分?jǐn)?shù)低階矩對(duì)接收信號(hào)進(jìn)行處理，提升了其噪聲抑制能力，將分布式陣列在實(shí)際應(yīng)用中對(duì)信源估計(jì)的均方根誤差作為優(yōu)化目標(biāo)來得到最優(yōu)分布式陣列結(jié)構(gòu)并提升測(cè)向性能。同時(shí)，為了降低計(jì)算的復(fù)雜性，提出了智能優(yōu)化算法與量子算法結(jié)合的解決方案，進(jìn)一步提高算法的有效性。因此設(shè)計(jì)基于量子狐貍優(yōu)化機(jī)制來求解沖擊噪聲、小采樣塊拍環(huán)境下的分布式陣列結(jié)構(gòu)具有重要的意義和實(shí)用價(jià)值。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種量子狐貍機(jī)制的分布陣列結(jié)構(gòu)優(yōu)化方法、系統(tǒng)及存儲(chǔ)介質(zhì)，可以在不同環(huán)境下生成適應(yīng)性更強(qiáng)的分布式陣列結(jié)構(gòu)，從而進(jìn)一步保證優(yōu)化得到的子陣列布局的有效性和優(yōu)越性。

2、本發(fā)明的目的通過如下技術(shù)方案來實(shí)現(xiàn)：

3、一種量子狐貍機(jī)制的分布陣列結(jié)構(gòu)優(yōu)化方法，包括以下步驟：

4、步驟一：對(duì)空間中的沖擊噪聲和信源信息進(jìn)行建模；

5、步驟二：利用陣列接收到的快拍數(shù)據(jù)構(gòu)造無窮范數(shù)加權(quán)分?jǐn)?shù)低階矩矩陣進(jìn)行方向估計(jì)，得到方向估計(jì)的均方根誤差方程；

6、步驟三：初始化量子狐貍?cè)?，獲得局部最優(yōu)測(cè)量位置和全局最優(yōu)測(cè)量位置；

7、步驟四：采用開發(fā)策略更新每只狐貍的量子旋轉(zhuǎn)角和量子位置并獲得測(cè)量位置；

8、步驟五：采用探索策略更新每只狐貍的量子旋轉(zhuǎn)角和量子位置并獲得測(cè)量位置；

9、步驟六：將第t+1代第n只狐貍得到的測(cè)量位置帶入適應(yīng)度函數(shù)，得到適應(yīng)度值，并對(duì)適應(yīng)度值進(jìn)行判斷，得到局部最優(yōu)測(cè)量位置和全局最優(yōu)測(cè)量位置；

10、步驟七：判斷是否達(dá)到最大迭代次數(shù)，若是則輸出全局最優(yōu)測(cè)量位置并轉(zhuǎn)化為陣列布局結(jié)構(gòu)信息；反之則令t＝t+1返回步驟四繼續(xù)迭代。

11、進(jìn)一步地，所述步驟一具體為：

12、設(shè)置空間中的噪聲為服從α穩(wěn)定分布的沖擊噪聲，其特征指數(shù)α，對(duì)稱參數(shù)β；在空間中設(shè)置波長(zhǎng)為λ的k個(gè)已知窄帶信源，其中方位角θ＝[θ1,θ2,...θk],-π≤θk≤π；設(shè)一個(gè)分布式陣列包含ms個(gè)子陣，每個(gè)子陣有mz個(gè)陣元，則整個(gè)陣列的總陣元數(shù)為m＝mz×ms，子陣內(nèi)陣元間距為d，子陣在空間中的排布方式為一維排列，每個(gè)子陣之間的間距為陣元間距的整數(shù)倍。

13、進(jìn)一步地，所述步驟二具體為：

14、設(shè)接收到的第q次快拍數(shù)據(jù)為y(q)＝a(θ)s(q)+n(q)，其中，q是快拍數(shù)標(biāo)號(hào)，且q∈[1,q]，q為最大快拍數(shù)，a(θ)為導(dǎo)向矢量矩陣，s(q)為信號(hào)矢量，n(q)為獨(dú)立同分布的沖擊噪聲矢量；對(duì)快拍數(shù)據(jù)進(jìn)行無窮范數(shù)歸一化處理其中，第q次快拍數(shù)據(jù)的無窮范數(shù)加權(quán)分?jǐn)?shù)低階矩矩陣其中，c(q)為第q次快拍數(shù)據(jù)的分?jǐn)?shù)低階矩矩陣，c(q)＝[c1(q),c2(q),…,cm(q)]為m×m維矩陣，其中，cn(q)＝[c1n(q),c2n(q),…,cmn(q)]t，n＝1,2,…,m，其第行第列的元素為其中，p0為低階矩參數(shù)，(·)*表示取共軛；將處理后的無窮范數(shù)加權(quán)分?jǐn)?shù)低階矩矩陣作為協(xié)方差矩陣，再使用music算法進(jìn)行doa估計(jì)，協(xié)方差矩陣r經(jīng)過特征分解后，被分割為兩個(gè)子空間：信號(hào)子空間us和噪聲子空間un，信號(hào)子空間us由對(duì)應(yīng)于較大特征值的特征向量構(gòu)成，這些特征值形成一個(gè)大特征值對(duì)角陣∑s；而噪聲子空間un則由剩余的特征向量組成，它們對(duì)應(yīng)于較小的特征值，這些特征值構(gòu)成另一個(gè)小特征值對(duì)角陣∑n；當(dāng)噪聲子空間un與協(xié)方差矩陣r進(jìn)行右乘運(yùn)算后得由于協(xié)方差矩陣rs滿秩且可逆，經(jīng)過推導(dǎo)得出導(dǎo)向矢量a(θ)與噪聲子空間un是正交的，即ah(θ)un＝0；基于這一正交性，進(jìn)一步推導(dǎo)出空間譜函數(shù)然后通過譜峰搜索第次實(shí)驗(yàn)得到估計(jì)方位值將測(cè)向結(jié)果帶入目標(biāo)函數(shù)其中，為陣列位置結(jié)構(gòu)的待求解，k為空間中已知信源的個(gè)數(shù)，θk為第k個(gè)信源的準(zhǔn)確方位值，為陣列位置z時(shí)第次實(shí)驗(yàn)第k個(gè)信源的方位估計(jì)值。

15、進(jìn)一步地，所述步驟三具體為：

16、首先假設(shè)空間中有n只量子狐貍，每只量子狐貍成均勻分布，則第t代第n只量子狐貍的量子位置為測(cè)量方程為得到測(cè)量位置其相應(yīng)編碼的陣列位置為其中，為[0,1]之間服從均勻分布的隨機(jī)數(shù)，o為解空間的最大維數(shù)，設(shè)置最大迭代次數(shù)為t；將得到的第n只狐貍位置映射的陣列位置帶入適應(yīng)度函數(shù)進(jìn)行評(píng)價(jià)，的適應(yīng)度函數(shù)為計(jì)算得到第n只狐貍位置的適應(yīng)度值，其中，θk為第k個(gè)信源的準(zhǔn)確方位值，為第t代第次實(shí)驗(yàn)第n只狐貍在陣列位置執(zhí)行測(cè)向算法之后得到的第k個(gè)來波的估計(jì)方向，然后將第n只狐貍至第t代為止最優(yōu)的測(cè)量位置記為局部最優(yōu)位置將至第t代為止適應(yīng)度最優(yōu)的測(cè)量位置記為全局最優(yōu)位置

17、進(jìn)一步地，所述步驟四具體為：

18、對(duì)于第n只狐貍，設(shè)置捕獵機(jī)會(huì)概率為一個(gè)[0,1]之間服從均勻分布的隨機(jī)數(shù)，若大于γ1，則狐貍向全局最優(yōu)解前進(jìn)，計(jì)算聲音傳播距離其中聲音傳播時(shí)間定義為一個(gè)[0,1]之間分布的隨機(jī)數(shù)，通過最佳位置找到聲音速度則狐貍與獵物的距離是通過聲波找到的距離的一半找到狐貍與獵物的距離后，通過跳躍高度來找到新位置，第t代第n只狐貍的平均時(shí)間為為[0,1]之間服從均勻分布的隨機(jī)數(shù)，跳躍高度為將第t+1代第n只量子狐貍的第o維量子旋轉(zhuǎn)角定義為若小于γ1，則第t+1代第n只量子狐貍的第o維量子旋轉(zhuǎn)角定義為其中，為一個(gè)[0,γ1]之間服從均勻分布的隨機(jī)數(shù)，為一個(gè)[γ1,1]之間服從均勻分布的隨機(jī)數(shù)；第n只量子狐貍的第o維量子位置的演進(jìn)方式為其中為[0,1]之間服從均勻分布的隨機(jī)數(shù)，b1代表當(dāng)量子旋轉(zhuǎn)角為0時(shí)，對(duì)該量子位進(jìn)行反轉(zhuǎn)操作的概率，其值為[0,1/o]之間的常量；最后通過對(duì)量子位置進(jìn)行測(cè)量得到相應(yīng)位置其測(cè)量方程為其中為[0,1]之間服從均勻分布的隨機(jī)數(shù)，n＝1,2,…,n，o＝1,2,…,o；將第n只狐貍的測(cè)量位置代入適應(yīng)度函數(shù)得到適應(yīng)度值若則第n只狐貍直到t+1代為止局部最優(yōu)測(cè)量位置為否則，從n個(gè)直到t+1代為止局部最優(yōu)測(cè)量位置選擇最優(yōu)位置設(shè)置為直到t+1代為止全局最優(yōu)測(cè)量位置

19、進(jìn)一步地，所述步驟五具體為：

20、在探索階段狐貍采用隨機(jī)行走來捕獵，為了確保狐貍走向最優(yōu)位置，使用一個(gè)小的變量和變量a來控制搜索，是截至第t代以來的第n個(gè)個(gè)體的最小平均時(shí)間，為[0,1]之間服從均勻分布的隨機(jī)數(shù)，為第t代第n個(gè)個(gè)體的平均時(shí)間；隨機(jī)變量其中t為最大迭代次數(shù)；將第t+1代第n只量子狐貍的第o維量子旋轉(zhuǎn)角定義為其中為[0,1]之間服從均勻分布的隨機(jī)數(shù)，然后定義第n只量子狐貍的第o維量子位置的演進(jìn)方式為其中為[0,1]之間服從均勻分布的隨機(jī)數(shù)，b1代表當(dāng)量子旋轉(zhuǎn)角為0時(shí)，對(duì)該量子位進(jìn)行反轉(zhuǎn)操作的概率，其值為[0,1/o]之間的常量；最后通過對(duì)量子位置進(jìn)行測(cè)量得到相應(yīng)位置，其測(cè)量方程為其中為[0,1]之間服從均勻分布的隨機(jī)數(shù)，n＝1,2,…,n，o＝1,2,…,o。

21、進(jìn)一步地，所述步驟六具體為：

22、將t+1代第n只狐貍得到的測(cè)量位置帶入適應(yīng)度函數(shù)得到適應(yīng)度值若則確定直到t+1代為止局部最優(yōu)測(cè)量位置否則值不變；從n個(gè)直到t+1代為止局部最優(yōu)測(cè)量位置選擇最優(yōu)位置設(shè)置為直到t+1代為止全局最優(yōu)測(cè)量位置

23、一種計(jì)算機(jī)裝置/設(shè)備/系統(tǒng)，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)一種量子狐貍機(jī)制的分布陣列結(jié)構(gòu)優(yōu)化方法的步驟。

24、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序/指令，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)一種量子狐貍機(jī)制的分布陣列結(jié)構(gòu)優(yōu)化方法的步驟。

25、一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)一種量子狐貍機(jī)制的分布陣列結(jié)構(gòu)優(yōu)化方法的步驟。

26、本發(fā)明的有益效果在于：

27、1.本發(fā)明提出了一種基于量子狐貍優(yōu)化機(jī)制的陣列結(jié)構(gòu)優(yōu)化方法，不同于傳統(tǒng)的方法在高斯噪聲環(huán)境下將陣列方向圖的柵瓣抑制作為優(yōu)化目標(biāo)，本方法模擬實(shí)際測(cè)向結(jié)果可能出現(xiàn)的小塊拍，沖擊噪聲的惡劣環(huán)境下生成對(duì)應(yīng)陣列結(jié)構(gòu)，通過無窮范數(shù)加權(quán)分?jǐn)?shù)低階矩對(duì)接收信號(hào)進(jìn)行處理，提升了其噪聲抑制能力，提高了分布式陣列在沖擊噪聲環(huán)境下的收斂性和測(cè)向精度，突破了傳統(tǒng)分布式陣列測(cè)向系統(tǒng)在面對(duì)小塊拍、沖擊噪聲環(huán)境下性能惡化甚至失效的應(yīng)用局限，獲得了應(yīng)用范圍更廣測(cè)向性能更好的分布式陣列結(jié)構(gòu)。

28、2.相比于傳統(tǒng)狐貍優(yōu)化算法僅能解決連續(xù)優(yōu)化問題，本發(fā)明引入了量子優(yōu)化機(jī)制設(shè)計(jì)了量子狐貍優(yōu)化算法，通過設(shè)計(jì)基于量子編碼的量子旋轉(zhuǎn)門演進(jìn)策略，優(yōu)化了種群局部最優(yōu)解和全局最優(yōu)解的更新方式，一方面提高了搜索效率，另一方面彌補(bǔ)了原搜索機(jī)制面對(duì)離散優(yōu)化問題時(shí)的不足，為整數(shù)規(guī)劃問題的求解提供了新思路。